Мобильная персональная медицинская система для выявления предвестников кризиса сердечно- сосудистой системы Текст научной статьи по специальности «Компьютерные и информационные науки»

1. ПРОБЛЕМНЫЕ СТАТЬИ УДК: 612.085

МОБИЛЬНАЯ ПЕРСОНАЛЬНАЯ МЕДИЦИНСКАЯ СИСТЕМА ДЛЯ ВЫЯВЛЕНИЯ ПРЕДВЕСТНИКОВ КРИЗИСА СЕРДЕЧНОСОСУДИСТОЙ СИСТЕМЫ

Богомолов А.И., к.т.н., доцент, Финансовый университет при Правительстве Российской Федерации,

Москва, Россия E-mail: aibogomolov@fa.ru Невежин В.П., к.т.н., профессор, Финансовый университет при Правительстве Российской

Федерации, Москва, Россия E-mail: vpnevezhin@fa.ru

Аннотация. В статье предлагается и обосновывается проект по созданию мобильной персональной медицинской системы раннего предупреждения в реальном масштабе времени о возможном внезапном кризисе сердечно-сосудистой системы. Рассматриваются медицинские основания для выявления предвестников внезапных осложнений и смерти человека от заболеваний сердечно-сосудистой системы, предлагается использовать вейвлет-анализ электрокардиограммы для выявления таких предвестников, приводятся примеры медицинских мобильных технологий для анализа состояния сердечно-сосудистой системы, а также оцениваются новые функции и преимущества предлагаемого проекта.

Ключевые слова: предвестники внезапных осложнений, сердечно-сосудистая система, электрокардиограмма, вейвлет-анализ, мобильная медицина

MOBILE PERSONAL HEALTH SYSTEM TO IDENTIFY THE HARBINGERS OF THE CRISIS OF THE CARDIOVASCULAR SYSTEM

Bogomolov A. I., PhD, associate Professor, Financial University under the Government of the Russian

Federation, Moscow, Russia E-mail: aibogomolov@fa.ru Nevezhin V.P., PhD, Professor, Financial University under the Government of the Russian Federation,

Moscow, Russia E-mail: vpnevezhin@fa.ru

Abstract. The article proposes and substantiates a project to create a mobile personal medical early warning system in real time about a possible sudden crisis of the cardiovascular system. The medical grounds for the detection ofprecursors of sudden complications and death of a person from cardiovascular diseases are considered, it is proposed to use a wavelet analysis of electrocardiogram to identify such precursors, examples of medical mobile technologies for the analysis of the state of the cardiovascular system are given, and new functions and advantages of the proposed project are evaluated.

Keywords: precursors of sudden complications, cardiovascular system, electrocardiogram, wavelet analysis, mobile medicine

Введение

Ведущей причиной смертности и утраты трудоспособности как в России, так и за рубежом являются заболевания сердечнососудистой системы [1-4]. По данным Российского министерства здравоохранения, в течение последних 10 лет в РФ отмечается

снижение показателей сердечно-сосудистой смертности с 56,9% до 48,7% в общей структуре смертности или 611,5 смертей в год на 100 тысяч человек населения [5].

В значительной степени снижению сердечно-сосудистой смертности и

заболеваемости способствуют мероприятия,

направленные на сохранение здоровья населения: федеральные и региональные программы по диагностике и лечению социально значимых заболеваний,

высокотехнологичная медицинская помощь, а также просветительская работа с населением [6].

В экономически развитых странах показатели сердечно-сосудистой смертности значимо ниже, чем в России, и составляют 29% в Великобритании, 22% во Франции, 35% в Германии (около 200-300 смертей на 100 тысяч человек населения). Кроме того, несмотря на снижение показателей сердечно-сосудистой смертности в целом по стране, в ряде регионов отмечается их рост [4]. В трудоспособном возрасте, на который ложится основное бремя выработки валового внутреннего продукта (ВВП) и от величины которого зависит благосостояние нации, сердечно-сосудистые заболевания (ССЗ) составляют более трети всех смертей. Высокая смертность от ССЗ обуславливает значительный экономический ущерб, который в 2008-2009 годах превысил 1 трлн рублей и составил 3% от ВВП страны [7].

Одним из следствий реализации Государственной программы организации здравоохранения России до 2025 г. будет являться сдвиг в сторону парадигмы персонализированного «домашнего»

здравоохранения на основе мобильных медицинских информационных технологий, что должно уменьшить смертность среди населения, а также дать возможность всё большей части стареющего населения вести качественный, активный образ жизни и существенно сократить государственные расходы на здравоохранение [8-9].

Если составить рейтинг самых частых патологий, сердечно-сосудистые заболевания россиян распределятся следующим образом [10]:

• 1 место - ишемическая болезнь;

• 2 место - инсульт;

• 3 место - инфаркт.

Самая распространенная форма ишемии в нашей стране - стенокардия напряжения. Все

чаще болезнь никак себя не проявляет, симптомы становятся заметны лишь на ЭКГ. Особую тревогу вызывают внезапные сердечнососудистые осложнения и внезапная сердечная смерть (ВСС).

Внезапно, согласно расчетным данным, от кардиальных причин в РФ ежегодно умирает 200-250 тысяч человек. При этом отмечается тенденция к увеличению частоты внезапной сердечной смертности (ВСС) [8]. В индустриальных странах ВСС составляет 15% от общей смертности [11].

По результатам перспективных

популяционных исследований ВСС,

проводившихся в Рейкьявике (9141 мужчин и 13000 женщин, период наблюдения составил 20 лет), а также в Роттердаме (5148 мужчин и женщин, наблюдение проводились в течение 30 лет), а безболевой инфаркт миокарда был диагностирован ретроспективно по данным ЭКГ-12 в 33-54% случаев [12-14].

Таким образом, значительная часть ВСС потенциально может быть предотвращена в случае раннего обнаружения предвестников появления возможных патологий.

Из вышесказанного выше можно сделать вывод о необходимости принятия дополнительных срочных мер профилактики, направленных на своевременное выявление ССЗ и их осложнений.

Методы

Частота выявления болезней сердца в значительной степени зависит от применяемой диагностической методики, продолжительности и сроков мониторирования. В ряде исследований было продемонстрировано преимущество частой регистрации коротких фрагментов ЭКГ, по сравнению с суточным мониторингом ЭКГ по Холтеру [15-17].

В исследование, проведенном в Гонг-Конге в 2014-2015гг., было включено 13122 его жителей в возрасте старше 18 лет, с помощью дистанционной передачи коротких фрагментов одноканальной ЭКГ дважды в день в течение 1 месяца. Болезни сердца были впервые выявлены у 0,8%, из них у 65,3% - бессимптомная [18].

В Швеции в обсервационное исследование 8ТЯОКБ8ТОР были включены пожилые люди возрасте 75-76 лет без предшествующего анамнеза фибрилляции предсердий (ФП), всего 7173 чел. Участникам исследования были выданы приборы для телеметрической передачи одноканальной ЭКГ со смартфона. Регистрация проводилась по 30 секунд дважды в день, а также при возникновении сердцебиения, в течение 2 недель. В результате при первой же регистрации ЭКГ бессимптомная ФП была выявлена у 0,5% обследуемых пациентов, а к концу исследования, это число возросло до 3,0%.

В рамках бельгийской национальной программы по скринингу ФП в течение 1 недели аналогичным образом были обследованы 65 747 человек старше 18 лет, из них ФП была выявлена у 1,4% [19].

В клинических рекомендациях Европейского Кардиологического Общества по ФП (2016 года) говорится о целесообразности длительного мониторинга ЭКГ: в течение 3 и более суток после кризиса сердечно-сосудистой системы (ССС), а также ежедневной регистрации коротких фрагментов ЭКГ, в том числе телеметрии ЭКГ у людей пожилого возраста (> 64 лет), больных с НК и ОНМК в анамнезе для выявления бессимптомной ФП [20].

Результаты выявления элементов ЭКГ и измерения их параметров используются для интерпретации с целью постановки правильного диагноза. В настоящее время известны две основные категории алгоритмов, применяемых в различных системах автоматической

диагностики ССС [19]. К первой категории относятся алгоритмы, моделирующие логику врача-диагноста — детерминистический. Естественно, в них используются признаки заболеваний, диагностическая значимость которых установлена всем предшествующим опытом медицины. Применительно к задачам электрокардиографии это связано, в частности, с обязательным использованием параметров медицинского описания электрокардиограммы. Данные тестируют по установленным

критериям и получают набор непротиворечивых заключений по ЭКГ. Стоит заметить, что сегодня универсальный комплекс таких критериев отсутствует.

Алгоритмы второй категории, как правило, основаны на методах многомерного статистического анализа и теории вероятностей. При этом в них, как правило, отказываются не только от медицинской логики, но и от принятых в медицине обозначений элементов электрокардиограммы и способов измерений.

Обе названные категории алгоритмов имеют как свои достоинства, так и недостатки. Безусловное достоинство медицинских алгоритмов - в возможности их быстрой реализации. Это определяется тем, что они концентрируют опыт диагностики, накопленный в медицине, и не требуют предварительных обучающих выборок. Предел диагностических возможностей таких алгоритмов ограничивается современным уровнем развития медицины, а качество конкретных алгоритмов

компетентностью лиц, их составляющих.

Достоинством немедицинских

диагностических алгоритмов является то, что они могут использовать любые параметры описания электрокардиограммы. Благодаря этому им оказываются доступны резервы информации, которые в клинической практике остаются неиспользованными. Недостатком этих алгоритмов является неудобство их обучения, что представляет существенные трудности - это связано с подбором хорошо исследованных больных с заболеваниями, различать которые должен научиться автомат. Тем не менее, алгоритмы второй категории считаются более перспективными, так доступная им новая информация даст возможность сделать диагностику более эффективной.

В настоящее время ведутся активные работы в разных странах мира в области разработки алгоритмов классификации ЭКГ. Основными направлениями работ является применение нейронных сетей, методов частотно-временного

преобразования (вейвлет-анализ) и многое другое [21-23].

Если рассматривать ЭКГ как временной нестационарный ряд, то вейвлет-анализ кажется наиболее перспективным методом для её исследования.

Вейвлеты представляют собой

математические функции, позволяющие анализировать различные частотные компоненты данных. Они обладают существенными преимуществами по сравнению с преобразованием Фурье, потому что вейвлет-преобразование позволяет судить не только о частотном спектре сигнала, но также о том, в какой момент времени появилась та или иная гармоника. С их помощью можно легко анализировать прерывистые сигналы, либо сигналы с острыми всплесками. Кроме того, вейвлеты позволяют анализировать данные согласно масштабу, на одном из заданных уровней. Уникальные свойства вейвлетов позволяют сконструировать базис, в котором представление данных будет выражаться всего несколькими ненулевыми коэффициентами. Названные свойства делает вейвлет-анализ перспективным инструментом для анализа ЭКГ.

Известно, что временные ряды интервалов между сердечными сокращениями

нестационарны и демонстрируют сложное поведение. Типичная особенность такого рода нестационарных сигналов - присутствие "рваных" структур, меняющихся со временем. Вид этих структур на ЭКГ изменяется при наличии сердечных аномалий. Zywietz C. and Celikag D [23] сообщают о разработке вейвлетной техники, способной выявлять аномальные структуры на кардиограммах -возможных предвестников кризиса сердечнососудистой системы.

Одним из важнейших шагов в анализе ЭКГ является точное определение различных волн, формирующих кардиологический цикл. Особенно вейвлет-преобразование ценно при распознавании P- и T-волн.

Процесс вейвлет-декомпозиции может быть итегрирован с получением удобных приближений, так что исходный сигнал разбивается на множество компонент низкого разрешения, образующих дерево вейвлет-декомпозиции, см. рис. 1).

Рис. 1. Дерево вейвлет-декомпозиции. Здесь x[n] - исходный сигнал (временной ряд), Ы[и], gi[n] - гармоники

нижних уровней

Вейвлет-анализ был применён для выявления тахикардии по ЭКГ у пациента с нарушениями сердечно-сосудистой системы [22]. На рис. 2 представлен фрагмент результата вейвлет-анализа ЭКГ.

Л^ . Лу, ^ А. ^

0 50 100 150 200 250 300 ТесЬусагйй

. А А А Л А Л А А Л 1 ^^

0 [).£ 1 1.5 2 25 3 3.5 4 4.5 5 Арргаютайсп

Л

' " г ~~~ г г г4'

5 10 15 20 25 30 35 Се! а II |_ечй 1

---С*—^—

50 100 150 200 250 300 □«1311 ьечй 2

—■л*— ----^---й ->,'ч'._---у^и, ___

20 40 60 ао 100 120 140 ОеЬэН Ьече) 3

-у^^Л—Лл-

10 Э0 30 40 50 60 70 ВО ОеОП ьече) 4

------г

0 5 10 15 20 25 3035 40 4550 Се! а II |_ечй 5

^О 5 10 15 2С 35 за 55

Рис. 2. Многоуровневая вейвлет-декомпозиция для ЭКГ пациента с тахикардией [20] Результаты

Разрабатываются всё новые модели мобильных носимых устройств для записи ЭКГ в реальном масштабе времени, например, мониторы сердечного ритма модели CardюQVARK (рис.3), на базе моделей смартфонов !Р^пе 5/5S и 6 [24].

Рис. 3. Монитор сердечного ритма модели СаМ^УАИК Данное устройство представляет собой портативный корпус, в который вставляется смартфон. В задней части корпуса находятся два электрода, располагаемые для сбора ЭКГ данных с пальцев обеих рук, что работает так же, как стандартный ЭКГ электрод I. Рекомендуемая разработчиками длина измерения - 5 минут. При записи ЭКГ руки

должны быть чистыми и сухими, в противном случае это может привести к искажению в записи. Съем сигнала рекомендуется проводить сидя или лёжа. Пальцы правой и левой рук должны плотно прилегать к датчикам устройства, но без сильного нажима.

ЭКГ сигнал фиксируется частотой выборки в 20000 Гц и 16-битным разрешением. Пропускная способность сигнала составляет от 0,2 до 5000 Гц. Зафиксированный сигнал в первую очередь проходит предобработку на смартфоне, а затем выводится на его экран в режиме реального времени. Затем, сигнал уменьшается до 1000 Гц и транслируется через сеть Интернет на облачный сервис, где проводится его дополнительный анализ, который после этого сохраняется в базе данных. Данные из сервиса доступны и пациенту, и его лечащему врачу с помощью специально разработанного приложения для клиентов, которое может быть установлено на сам смартфон, настольный ПК или ноутбук.

Другим портативным прибором для снятия ЭКГ является QardioCore [25]. Он позиционируется разработчиками как первый мобильный носимый ЭКГ-аппарат, который можно использовать непрерывно. Датчик крепится на теле, как нагрудный пульсометр, и не доставляет дискомфорта во время его использования, см. рис. 4.

Рис 4. Портативный прибор для снятия ЭКГ -QardioCore [25] Среди его возможностей не только одноканальная электрокардиограмма, но и другие функции:

• запись пульса

• оценка вариабельности сердечного ритма (ВСР)

• трекинг частоты дыхания

• определение температуры кожи Девайс работает с устройствами IOS (9.0 и

выше) и позволяет отправлять данные в AppleHealth. Удобное и полностью русифицированное приложение обеспечивает быстрый доступ к данным и историй измерений.

Кардиофлешка «ECG Dongle» [26] -инновационная разработка российских ученых, позволяющая делать кардиограмму в домашних условиях. Она подключается к любому смартфону на базе Android по USB через стандартный OTG-кабель (идет в комплекте).

Данные считываются с помощью 4-х электродов, которые любой человек может легко установить самостоятельно. На экран смартфона выводятся показатели частоты пульса, кардиограммы и уровня стресса, тем самым с его помощью можно снять не только кардиограмму, но и проконтролировать уровень стресса и частоту пульса, что позволит получить более объемную информацию о состоянии организма, рис 5. Полученные данные можно сохранить в мобильном приложении смартфона для последующей распечатки или оперативно отправить в облачный сервис «КардиоОблако» для получения рекомендаций врача-кардиолога. Прибор для работы не требует каких-либо батареек, не содержит собственных элементов питания, и работает от аккумулятора смартфона или планшета. Мобильное приложение для работы с кардиофлешкой распространяется бесплатно и доступно на Google Play.

Рис 5. Кардиофлешка «ECG Dongle» [26]

Мобильная медицина быстро развивается. На рынке медицинских услуг появляются всё более совершенные датчики и портативные носимые приборы для снятия ЭКГ, что в конечном итоге

приведёт к здравоохранения медицине [27].

кардинальному сдвигу к персонализированной

Заключение

Новизна проекта включает в себя 3 составляющие. Во-первых, решается задача персонализированного выявления

предвестников кризисного состояния сердечнососудистой системы (ССС) пациента на основе математического анализа его ЭКГ и персональных медицинских данных.

Во-вторых, ставится задача решения проблемы автоматического предупреждения пациента в реальном времени о возможном резком ухудшении (кризисе) его ССС.

В-третьих, разрабатываются

персонализированные схемы подбора состава и структуры мобильной диагностической системы с учётом индивидуального анамнеза пациента Литература

[1]. Статистика сердечно -сосудистых заболеваний в России. URL: http://medekocentr.ru/o-serdce/statistika-serdechno-sosudistyh-zabolevanij .html (Дата обращения: 20.07.2018)

[2]. Резолюция круглого стола на тему «Вклад болезней системы кровообращения в структуру общей смертности: вопросы и проблемы». 11 мая 2016 года, г. Москва Комплексные проблемы сердечнососудистых заболеваний. 2016. № 3:113-116

[3]. Roger V.L., Go A.S., Lloyd-Jones D.M. et al. Heart disease and stroke statistics - 2011 Update: A report from the American Heart Association // Circulation. 2011; - 123. - Р. е 18-е 209.

[4]. Шальнова С.А., Конради А.О., Карпов Ю.А и др. Анализ смертности от сердечнососудистых заболеваний в 12 регионах российской федерации, участвующих в исследовании «Эпидемиология сердечнососудистых заболеваний в различных регионах России». Российский кардиологический журнал № 5 (97). 2012: 611.

[5]. Вишневский А., Андреев Е., Тимонин С. Смертность от болезней системы кровообращения и продолжительность

жизни в России. Демографическое обозрение. 2016. Т. 3, № 1: 6-34.

[6]. Национальные Рекомендации по определению риска и профилактике внезапной сердечной смерти. М.: ИД «Медпрактика-М», 2013.

[7]. Оганов Р.Г., Концевая А.В., Калинина А.М. Экономический ущерб от сердечнососудистых заболеваний в Российской Федерации. Кардиоваскулярная терапия и профилактика. 2011; 10 (4):4-9.

[8]. Богомолов А.И. Хроноэкономика. Монография. Издательство «Креативная экономика», Москва, 2018, 260 с.

[9]. Богомолов А.И., Невежин В.П. Цифровая экономика и подготовка специалистов на основе информационно-образовательных технологий // Хроноэкономика. 2018. № 1(9). С. 14-17

[10]. Центральная база статистических данных Федеральной службы государственной статистики, 2010 год. -URL: www .gks.ru/dbscripts/Cbsd

[11]. Kannel W.B., Doyle J.T., McNamara P.M., Quickenton P, Gordon T. Precursors of sudden coronary death. Factors related to the incidence of sudden death. Circulation. 1975; 51(4): 606.

[12]. Sajadieh А., Nielsen O.W., Rasmussen V. et al. Prevalence and prognostic significance of daily-life silent myocardial ischaemia in middle-aged and elderly subjects with no apparent heart disease // Eur. Heart J. 2005; V. 26. — P. 1402-1409.

[13]. Witek P. Silent myocardial ischemia // Przegl. Lek. 2001; V. 58. № 3. — P. 127-130.

[14]. Meiltz A., Ciaroni S. Silent myocardial ischaemia: a deafening silence // Rev. Med. Suisse. 2005; V. 1. № 9. — P. 613-616

[1]5. Митьковская Н.П., Патеюк И.В. Безболевая ишемия миокарда: патофизиологические особенности, прогностическое значение // Медицинский журнал. — 2007. № 4. — С. 12-15.

[16]. Sigurdsson E., Thorgeirsson G., Sigvaldason H., Sigfusson N. Unrecognized myocardial infarction: epidemiology, clinical

characteristics, and the prognostic role of angina pectoris. The Reykjavik Study. Ann Intern Med. 1995; 122(2): 96.

[17]. Jonsdottir L.S., Sigfusson N., Sigvaldason H., Thorgeirsson G. Incidence and prevalence of recognised and unrecognised myocardial infarction in women. The Reykjavik Study. Eur Heart J. 1998; 19(7): 1011.

[18]. Chan N., Choy C. Screening for atrial fibrillation in 13 122 Hong Kong citizens with smartphone electrocardiogram Heart. 2017; 103: 24-31.

[19]. Torbal A., Boersma E., Kors J.A. et al. Incidence of recognized and unrecognized myocardial infarction in men and women aged 55 and older: the Rotterdam Study. Eur Heart J. 2006; 27(6): 729.

[20]. Go A.S. Heart disease and stroke statistics -2013 update: a report from the American Heart Association // Circulation. 2013; Vol. 127. № 1 - e 6 - e 245c.

[21]. Warrell, D.A. Oxford Textbook of Medicine / DA. Warrell, T.M. Cox, J.D. Firth, O.U. P.

Oxford / под ред. O.U.P. Oxford. 2010. Вып. 5th - 6016c.

[22]. Полывьян А. А. Вейвлет-анализ электрокардиограмм. Кубанский государственный университет. Краснодар, 2013.

[23]. Zywietz C. and Celikag D. Testing results and derivation of minimum performance criteria for computerized ECG-analysis, Computers in Cardiology, IEEE Computer Society Press, Venecia, 1992. - 202с

[24]. URL: http: //cardioqvark.ru/ (Дата обращения: 25.07.2018)

[25]. URL:https://medgadgets.ru/shop/ qardiocore.html (Дата обращения: 25.07.2018)

[26]. URL:http://ecgdongle.ru/ (Дата обращения: 25.07.2018)

[27]. Богомолов А.И., Невежин В.П., Жданов Г.А. Искусственный интеллект и экспертные системы в мобильной медицине // Хроноэкономика, № 3(11). Июнь 2018. С. 20-28.